追捧人形機器人的資本，為什么看不見能賺錢的裝卸具身智能？

2025年的具身智能賽道熱得發燙：人形機器人發布會一場接一場，demo里跳個舞、遞個水就能換來融資新聞刷屏，一級市場估值半年翻三倍的項目不在少數。但很少有人注意到，就在聚光燈外的倉庫和貨運碼頭，一批不需要仿生外形的具身智能裝備已經悄悄跑通了商業化閉環——不用講故事，直接幫客戶省了錢，自己也拿到了真金白銀的訂單。

當行業還在爭論“人形機器人什么時候能走進家庭”的時候，一個扎心的現實是：中國1000多萬裝卸工的存量市場，智能裝備的滲透率還不到1%。中國市場對智能裝卸機器人的需求已經在萬臺以上，海外裝卸工月薪可高達5000美金，用機器人替代人力的ROI早就跑通了。

但這個悶聲發財的賽道，甚至沒進過主流投資機構的年度熱門賽道榜單。

“物流場景具備數據密度高、人力替代需求迫切的特點，是具身智能落地的最佳場景。”賽那德副總經理陶軍輝在直言，“2025年被定義為具身智能元年，物流裝卸貨場景正迎來爆發拐點，中國有望跑出全球首家物流具身智能獨角獸?！?/p>

但問題是，市場大部分很少關注這個場景。

被低估的黃金場景

如果要給具身智能找一個最適合落地的場景，物流裝卸環節絕對排得上前三，甚至比喊了很多年的自動駕駛、家庭服務人形機器人的落地條件成熟得多。

判斷的底層邏輯不復雜：

第一，需求剛性且付費意愿明確。裝卸是所有物流鏈路里純人力依賴最高的環節，一個卸車班組通常要8-9人，人力成本逐年上漲、招工難已經是全行業的共性問題，尤其是跨境物流和三方物流（3PL）企業，對降本增效的需求極其迫切。 第二，場景邊界清晰，不需要應對無限開放的復雜環境。裝卸作業集中在倉庫月臺、車廂內部，貨物規格和作業流程都有明確標準，不需要像自動駕駛一樣應對極端天氣、突發路況。 第三，價值可量化，客戶決策路徑短。傳統裝卸方案用多少人、花多少錢、出多少貨都是明明白白的，機器人上線后效率提升多少、成本降了多少，三個月就能算出ROI。

但就是這么個看得見摸得著的優質場景，過去幾年一直被行業忽略。原因也很簡單：大家都覺得“裝卸是個沒技術含量的體力活”，而具身智能是“高大上的未來科技”，兩者好像不搭邊。

“物流看似簡單實則復雜，新進入者根本不知道里面的水有多深?！辟惸堑翪TO王義山表示，公司已在物流領域沉淀多年，太清楚這個行業的門檻在哪里，“很多人覺得不就是把貨從車上搬下來嗎？但實際做的時候才會發現，不同場景的差異大到超乎想象?！?/p>

比如，快遞的貨和酒水的貨不一樣，冷鏈倉庫和常溫倉庫的作業條件不一樣，甚至同一個倉庫早上卸的貨和晚上卸的貨包裝都可能有變化。新進入者面臨的第一道坎就是數據采集難，真實作業數據與實驗室差異大，而且行業對時效性與容錯性的要求極高。

陶軍輝補充道：“物流環節眾多，我們專注做裝卸貨環節這么多年，最清楚這個場景的數據采集難度極大，不是靠實驗室里跑幾個模擬場景就能搞定的，必須要長期深耕積累一手真實數據。”

賽那德具備近萬小時實景訓練與數據沉淀，積累了160+項自主知識產權?，F在他們的DWS（動態掃碼稱重測方系統）效率最高可達每小時7000件，iLoabot-M的作業效率可達1000+件/小時，iLoabot-X雙臂負載可達40kg。這些數字不是實驗室的跑分，全是在真實場景里摔打出來的。

很多人不知道的是，這家公司的戰略投資方是阿里與中國外運，浙江桐鄉有生產基地，新加坡、中國香港都有子公司，產品遠銷十余國。

賽那德桐鄉生產基地

真正的卡點不是算法

現在行業里有個很不好的風氣：一談具身智能就拼大模型參數、拼算法有多先進，好像參數越高越厲害。但在裝卸這個場景里，最核心的卡點根本不是算法——而是你有沒有足夠多的真實作業數據。

“現在的大模型技術早就足夠支撐裝卸場景的需求了，問題是你沒有數據喂給它。”王義山說，“實驗室里模擬出來的場景，和真實倉庫里的情況匹配度極低。比如你模擬的箱子都是方方正正、標簽完好的，但真實場景里可能箱子被壓變形了，標簽被水泡了，甚至還有散裝的貨物混在里面，這些情況你不在真實場景里蹲個三五年，根本想不到?！?/p>

這也是新進入者的最大障礙：你想進這個賽道，首先得有場景讓你采集數據，但客戶不會隨便讓一個沒經過驗證的產品進自己的倉庫耽誤作業——效率低一點沒關系，萬一弄壞了貨物、耽誤了發貨，損失誰來承擔？沒有場景就拿不到數據，沒有數據產品就迭代不了，這是一個死循環。

賽那德能跑出來，很大程度上是踩在了時間的紅利上：十年前行業還沒熱起來的時候，他們就已經在和物流企業合作，一點點打磨產品，慢慢攢下了足夠多的真實數據。王義山透露：“我們的數據主要來自產線一線真實數據及歷史積累。沒有什么捷徑，就是通過暴力窮舉和專業Know-how積累，把所有可能遇到的情況都摸清楚。我們具備近萬小時實景訓練與數據沉淀，這是新進入者的主要壁壘。”

現在賽那德已經跑通了完整的數據飛輪閉環：先在采集中心做模擬訓練，然后放到真實場景里測試，把實景反饋的問題帶回來做閉環訓練，再迭代產品的泛化能力，每走一輪，產品的適配能力就強一分。這個飛輪轉了十年，已經形成了難以被突破的壁壘：后來者就算能挖走幾個算法工程師，也挖不走這十年攢下來的真實場景數據和對行業的理解。

更關鍵的是，賽那德從一開始就走了一條和主流不一樣的技術路線。他們沒有跟風做人形機器人，而是選擇了輪式雙臂的結構，同時在架構上做了大腦與小腦分離——Safety Unit VLA通用大腦兼容感知、大模型、動作執行及安全模塊，前端的裝備只需要負責具體的動作執行。大腦負責全局認知決策，小腦負責邊緣實時控制，保證操作精度達到毫米級。

賽那德對人形賽道的熱潮也一直保持著清醒：具身智能不一定是人形。在裝卸領域，強化臂力與支撐力比仿生結構更高效。賽那德AI研究院夏志敏也表示：“物流場景需要針對性設計形態，輪式雙臂機器人比雙足人形更穩定高效。在工業場景里，實用永遠排在仿生前面，為了‘像人’而犧牲效率，本質上是本末倒置?！?/p>

按照賽那德的產品路線圖，未來他們的產品負載會從35kg常規級逐步覆蓋到80kg重載級，并計劃于2026年發布批量卸貨機器人。具身智能未來趨勢也很明確：未來一定是特種裝備（非人形）與通用大腦的結合。不同場景用不同形態的裝備，共用一個通用的智能大腦。大腦智商將超越人類平均水平，執行機構將比人類更強——這才是在裝卸場景落地的最優路徑，而不是所有場景都用人形。

避開90%公司都踩的坑

很多做物流機器人的公司都死在了同一個坑里：一上來就扎進快遞場景，覺得快遞市場大、需求高，結果最后被低毛利拖死了。賽那德從一開始就避開了這個陷阱，他們的客戶主要集中在生產端物流，比如煙草、酒水等行業。

這個選擇背后的商業邏輯在于，先吃付費能力強、標準化程度高的市場，把產品打磨成熟，把商業模式跑通，有了足夠的利潤和數據積累，再拓展其他場景，而不是一上來就啃最硬的骨頭?，F在賽那德的客戶中，煙草、酒水等生產端企業占了很大比例，這些行業的供應鏈體系封閉、對設備安全性和可靠性要求極高，一旦通過驗證就不能輕易更換供應商，先發優勢帶來的商務壁壘甚至高于純技術壁壘。

接下來潛力最大的市場是三方物流（3PL），特別是跨境物流?？缇澄锪鞯娜肆Τ杀靖?，對時效的要求更嚴，而且海外的裝卸工缺口比國內還大。

現在整個行業都在說具身智能商業化難，其實很多時候難的不是技術，而是選對落地的場景和客戶。很多公司一上來就想做通用型產品、想通吃所有場景，最后反而哪個場景都做不透。賽那德的路徑其實給行業提了個醒：與其追著熱門概念做“全能”的產品，不如先沉下心來把一個垂直場景做透，先把錢賺了，再談擴張。

2025年，具身智能首次被納入國家未來產業發展布局，與量子科技、6G等并列，標志著技術前沿上升為國家戰略。按照規劃，預計2030年機器人產業規模突破4000億，具身智能關聯產業達萬億級，預計帶動上下游產業鏈超過300萬人就業。

行業最大的認知誤區，就是把“具身智能”和“人形機器人”畫上了等號——仿佛不做兩條腿走路的，就不算具身智能公司。

但事實上，大部分的工業場景、商業場景根本不需要人形結構，需要的是能解決具體問題的特種裝備：倉庫里需要能搬貨的輪式雙臂機器人，工廠里需要能精準操作的機械臂，巡檢場景需要能爬坡過坎的四足機器人。這些都是具身智能的范疇，而且都比人形機器人的落地進度快得多、商業化成熟得多。

正如王義山所判斷的：“未來將是特種裝備（非人形）與通用大腦的結合，最終可能走向碳基與硅基的融合。”等到人形機器人真正能穩定落地干活，可能還需要很長時間，但裝卸、分揀這些場景的需求現在就擺在這里，能先把這些場景的錢賺了，才是實實在在的。

畢竟資本的耐心是有限的，講故事可以講一年兩年，不可能講十年。當熱潮退去，大家才會發現：那些悶聲在垂直場景里賺真金白銀的公司，才是真正走在行業前面的人。而那些追著人形概念跑的公司，有多少會在資本退潮之后裸泳在沙灘上？

具身智能的未來確實是萬億級的。但這個未來，不屬于只會做人形demo的公司，屬于那些真正能解決真實問題、能給客戶創造價值的公司。三五年后，行業會給所有人一個最明確的答案。（本文首發鈦媒體APP，文 | DeepWrite秦報局，作者｜秦聰慧 ）